a16z 于 2026年8月21日 发布的 OpenAI Enterprise Signals 数据显示，自 2026年2月 以来，企业版 Codex 的周活跃用户在 法律（Legal） 领域增长了 108倍，在 销售（Sales） 和 招聘（Recruiting） 领域均增长 41倍，在 市场营销（Marketing） 领域增长 26倍，而 工程（Engineering） 领域仅增长 5倍。此外，a16z 的社交帖子还列出了 医疗（Healthcare） 领域增长 24倍。这一对比鲜明的数据，被市场解读为AI商业化可能正进入第二阶段的重要拐点：AI应用正从程序员群体快速扩散至法务、销售、招聘、市场、医疗等几乎所有知识工作领域。

长期以来，生成式AI的最大落地场景被普遍认为是“AI Coding”——程序员使用 Copilot 补全代码，用 Codex、Claude Code 等工具调试、重构和开发软件。然而，进入2026年，一个更显著的变化正在发生：Coding Agent正迅速离开程序员的桌面，进入更多非技术部门。工程部门的低增速固然包含高基数效应，但更关键的是，Agent的增长斜率已从技术部门向非技术部门迁移。这或许意味着，Coding Agent的终局并非只是“更好的编程工具”，而是成为一种新的数字基础设施——知识工作的通用执行引擎。

为什么律师、销售和招聘人员也需要Codex？因为如今的Coding Agent已不只是“生成代码”。一个成熟的Agent能够读取文件、搜索资料、调用API、访问数据库、修改Excel、生成PPT、操作浏览器、执行Python、调用CRM，并在多步骤间不断检查结果、修正错误，最终将成果交给人类审核。代码只是它完成任务的方法，而非用户购买的产品。例如，律师真正想解决的是扫描数据室中的300份合同、找出特定条款、与标准模板比较并生成异常清单，而非编写Python脚本。过去这需要人工打开PDF、搜索、复制、整理Excel，未来律师只需描述目标，Agent在后台自动完成。这标志着人类使用代码的门槛在下降，而机器生成和执行代码的总量可能爆炸式增长。

为什么Agent最早在软件工程领域成功？因为软件开发目标明确、数字环境结构化、结果易于验证（程序能否运行、测试能否通过、代码能否提交）。这使Coding成为训练Agent“观察—思考—行动—验证—纠错”能力的最佳实验场。一旦闭环成熟，便可迁移至大量知识工作。Anthropic 对约 40万次 Claude Code session的研究发现，人类通常负责决定“做什么”，Claude更多负责“怎么做”，且不同职业的人完成Coding Agent任务的成功率平均已接近软件工程师。更重要的是，领域知识越深的人，每一条指令往往能让Agent完成更多工作。这意味着未来真正稀缺的能力可能不是语法（Syntax），而是领域知识（Domain Knowledge）、问题定义（Problem Definition）、判断力（Judgment）与Agent编排（Agent Orchestration）的结合。AI并未简单消灭专业知识，反而可能提高专业知识的杠杆率。

关于AI是否取代职业的讨论，或许本身就问错了方向。AI不会一次性取代一个完整职业，而是逐层进入职业内部的工作流。法律行业从合同检索、尽调、案例搜索开始；销售从客户研究、会议总结、CRM更新开始；招聘从简历筛选、候选人研究开始；医疗则从病历整理、编码、保险文件处理开始。AI的扩散单位不是Job，而是Task → Workflow → Function → Organization。Anthropic 的 Economic Index 已观察到这种扩散：到2026年，其累计数据中约 49% 的职业已出现至少四分之一任务被Claude使用覆盖的情况，且使用场景正从早期高度集中的Coding向更多类型工作扩散。因此，未来判断AI渗透率，单纯统计“多少员工使用ChatGPT”意义有限，更应观察企业有多少核心Workflow已能由Agent独立执行——这是从“AI Adoption”向“AI Absorption”的跃迁。

Agent时代最易出现的错误判断是“Agent会消灭SaaS”，更准确的说法是Agent会重新分配SaaS的价值。传统SaaS的核心价值很大一部分来自UI：员工登录 Salesforce、Workday、ServiceNow、SAP，点击菜单、输入数据、运行流程。Agent出现后，人可能越来越少亲自操作这些界面，软件价值开始从Interface向Data + System of Record + API + Permission + Workflow State迁移。未来最危险的软件公司，未必是“AI能帮它写功能”的公司，而是那些既没有独占数据、没有业务状态、没有权限体系，又仅依靠复杂UI获得用户黏性的产品。相反，掌握企业核心数据和业务状态的System of Record可能比过去更重要。分析SaaS时应少问“AI会不会替代这个软件”，多问“这个软件是Agent准备绕过的界面，还是Agent必须调用的基础系统”——两者估值逻辑完全不同。

传统Developer Tool面向全球数千万程序员，但如果Coding Agent最终让每个律师、医生、销售、分析师都能调用软件、创建自动化流程，其服务市场将从Developer扩张到整个Knowledge Worker。这相当于把软件工程能力“证券化”：过去业务部门需排IT项目、开发、测试、部署，未来业务人员描述目标，Agent创建、测试、执行，人类审核。软件生产从Project变成Conversation，从季度开发周期变成实时生成。这类似于 Excel 当年的意义——Excel并未让每个人成为会计师，却让数亿知识工作者获得了过去只有专业人员才拥有的计算能力。Coding Agent很可能重复一次更大的历史过程：不是让十亿人学习编程，而是让十亿人拥有编程能力。

这一趋势也可能解释下一轮推理算力需求的庞大。Chatbot的基本经济单位是“一问一答”，Agent的基本经济单位却是“一项任务”，而一项任务内部可能包含几十甚至数百个动作（读取文件、搜索网页、调用数据库、运行代码、检查输出、重新规划、修正错误、调用第二个工具、生成最终文件）。因此AI计算需求正从Users × Questions升级为Users × Tasks × Steps per Task × Tokens per Step。OpenAI 数据显示，截至 2026年6月，企业客户中Codex已贡献Codex与ChatGPT合计输出Token的约 64%。这并非意味着64%的企业工作已Agent化，但清楚揭示了计算负载正从“回答问题”向“执行工作”迁移。a16z 汇总的 OpenRouter 数据同样显示，Agent的Token消耗显著高于普通人机对话，且使用量快速增长。长期AI算力需求的大变量，可能不是还有多少人使用ChatGPT，而是每个人每天会把多少工作委托给Agent。一旦Agent从偶尔调用变成“全天候数字员工”，Inference就可能从软件行业的成本，逐渐变成全球知识经济新的生产资料。

企业部署AI的真正瓶颈，也将从“模型够不够聪明”转向“组织能不能承受Agent”。模型能力增强后，最大障碍可能不再是Intelligence，而是权限、数据、责任、安全、评估和组织流程。Agent能读什么文件？能否发送邮件？能否修改合同？能否提交付款？错误由谁承担？如何记录每一步？如何防止错误Agent连续执行几十步后放大损失？因此Agent越强，Governance 的价值反而越高。微软 的 2026 Work Trend Index 显示，Microsoft 365 生态中的活跃Agent数量一年增长约 15倍，大企业达到约 18倍；但研究同时发现，组织文化、管理支持和人才制度等组织因素，对AI产生实际价值的影响明显高于个人单独使用AI。企业竞争的下一阶段，不再只是谁买了最好的模型，而是谁最早重构了自己的Operating System。

展望未来3—5年，AI将从Copilot进入“数字劳动力”阶段。第一阶段是Copilot：AI帮人写、查、总结，人仍执行绝大多数动作。第二阶段是Agent：人定义目标，AI跨文件、浏览器、数据库和企业软件独立完成多步骤任务。第三阶段是Agentic Organization：企业按“Human + Agent Capacity”配置资源，一个十人团队可能管理几百个持续运行的数字Agent。届时，“一个员工使用几个软件Seat”的SaaS计价逻辑可能变化，软件公司出售的可能不是Seat，而是Workflow、Task、Outcome、Compute或Digital Worker。企业关键指标也可能变化：Revenue per Employee之外出现Revenue per Human + Agent；软件渗透率之外出现Agent Workflow Penetration；AI用户数之外出现Tasks Delegated to Agents；Token Consumption之外更重视Economic Value per Token。这才是AI真正进入产业纵深的标志。

Coding不是终点，而是AI学会“行动”的起点。程序员最早教会Agent如何读取环境、拆解问题、调用工具、执行动作、验证结果和纠正错误，一旦这套能力成熟，自然会从软件工程溢出到法律、金融、医疗、销售、科研、制造和企业管理。未来AI最重要的产业叙事可能不再只是“模型越来越聪明”，而是AI开始拥有越来越强的行动能力。这将推动整个科技产业从Model → Copilot → Agent → Workflow → Digital Labor → Agentic Organization逐层渗透。资本市场最终会发现，最大的赢家未必只是训练最强模型的公司，而可能分布在整条新价值链上：提供推理算力的人、提供Agent Runtime的人、掌握System of Record的人、负责身份权限和安全治理的人，以及能够把行业Know-how编译成Agent Workflow的公司。真正值得长期跟踪的，不再是模型Benchmark，而是三个更现实的指标：AI是否开始替人执行工作，执行任务的复杂度是否持续提高，以及企业是否愿意把越来越重要的业务流程交给Agent。当这三条曲线同时向上时，我们看到的就不再是一轮“AI软件升级周期”，而可能是一次更深刻的生产方式迁移：过去的软件是工具，人操作工具；未来的软件是劳动力，人管理劳动力。